Команда исследователей из Goodfire AI совместно с Гарвардом изучила поведение reasoning-моделей, таких как DeepSeek-R1 (671B) и GPT-OSS (120B). Они установили, что данные модели осуществляют так называемое «театральное рассуждение»: даже обладая 90% уверенностью в ответе, продолжают генерировать цепочку рассуждений, создавая иллюзию раздумий. Для анализа были применены три метода: внимание к внутренним состояниям модели, принудительное прерывание рассуждений и внешний мониторинг текста. В случае простых вопросов MMLU, модели демонстрировали уверенность вскоре, однако текст оставался запутанным. При исследовании сложных вопросов из GPQA-Diamond наблюдалась подлинная динамика мышления. Также было отмечено, что случаи, когда модель ошибается, связаны с реальной неуверенностью. Это открытие позволяет экономить впоследствии до 80% токенов при высокой точности, поскольку генерация может быть остановлена, когда модель уже готова ответить.